Transfer learning maakt gebruik van de opgepakte informatie terwijl het een kwestie behandelt en toepast op een andere kwestie, hoezeer die ook verwant is.

Zo kan de informatie die wordt opgepikt bij het uitzoeken van de waarneming van auto’s enigszins worden gebruikt om vrachtwagens waar te nemen.

Vooropleiding

Op het moment dat we het systeem trainen op een enorme dataset (voor model: ImageNet), trainen we alle parameters van het neurale systeem en langs deze lijnen wordt het model ontdekt. Het kan uren duren op je GPU.

Fijnafstemming

We kunnen de nieuwe dataset geven om de voorbereide CNN te kalibreren. Denk eraan dat de nieuwe dataset praktisch gelijk is aan de originele dataset die gebruikt wordt voor het voorbewerken. Aangezien de nieuwe dataset vergelijkbaar is, kunnen vergelijkbare belastingen worden gebruikt voor het verwijderen van de hoogtepunten uit de nieuwe dataset.

In het geval dat de nieuwe dataset weinig is, is het slimmer om alleen de laatste lagen van het systeem voor te bereiden op overfitting, waardoor elke andere laag gefixeerd blijft. Om de laatste lagen van het voorbereide systeem te verdrijven. Voeg nieuwe lagen toe. Alleen de nieuwe lagen opnieuw trainen.

Als de nieuwe dataset erg groot is, moet het hele netwerk opnieuw worden getraind met initiële gewichten van het voorgetrainde model.

De meest effectieve methode om aan te passen als de nieuwe dataset helemaal anders is dan de oorspronkelijke dataset?

De vorige highlights van een ConvNet bevatten steeds meer conventionele highlights (bijvoorbeeld edge identifiers of shading mass locators), maar latere lagen van het ConvNet blijken logischerwijs steeds explicieter te zijn voor de subtiliteiten van de klassen in de eerste dataset.

De voorgaande lagen kunnen de hoogtepunten van de nieuwe informatie scheiden. Het zal dus een grote kans zijn dat je de vorige lagen vastlegt en de rest van de lagen opnieuw traint, en de kans dat je slechts een bescheiden hoeveelheid informatie hebt.

In het geval dat u over een enorme hoeveelheid informatie beschikt, kunt u het hele systeem omscholen met ladingen die uit het voorgeprogrammeerde systeem zijn ingevoerd.